强化学习和监督学习的差异在于:监督学习是从数据中学习,而强化学习是从环境给它的奖惩中学习。
来自:01|打好基础:到底什么是机器学习?
6 人划过
第二个原因是,独热编码的这种冗余会导致共线性问题,也就是自变量之间存在高度相关关系,不总是相互独立的,从而使模型参数估计不准确。不过,这也意味着,独热编码可以直接从“1”值看出所对应的类别,而虚拟变量需要进行推理。因此独热编码比较直观,虚拟变量没有那么直观。
来自:08 | 模型优化(上):怎么用特征工程提高模型效率?
5 人划过
对于我们这些机器学习的应用者来说,我们的价值在于,结合每一个业务的实际需要,把算法模型灵活地运用到一个一个的具体场景之中去
来自:开篇词|开发者为什么要从实战出发学机器学习?
3 人划过
定义问题、收集数据和预处理、选择算法和确定模型、训练拟合模型、评估并优化模型性能
来自:03|实战5步(上):怎么定义问题和预处理数据?
3 人划过
持续地通过新模型来优化同一个基模型(基模型,也就是 Boosting 开始时的初始模型),当一个新的弱模型加入进来的时候,Boosting 就在原有模型的基础上整合这个新模型,然后形成新的基模型。而对这个新的基模型的训练,则会一直聚集于之前模型的误差点(也就是原模型预测出错的样本)上,这样做的目标是不断减小模型的预测误差。
来自:17|集成学习:机器学习模型如何“博采众长”?
3 人划过
判断所有的会员都会留存,那我这个模型的预测准确率就是 73%
来自:16|性能评估:不平衡数据集应该使用何种评估指标?
3 人划过
*精彩内容为该课程各文章中划线次数最多的内容
编辑推荐

讲师的其他课程


包含这门课的学习路径

机器学习工程师
13门课程 37.6w人学习
看过的人还看了





